AI 에이전트로 3일 걸리던 포트폴리오 구성을 몇 분으로 — Apollo·Rowspace 사례

URL: https://www.youtube.com/watch?v=BOWYujhIQuo 날짜: 2026-10-17 채널: aiDotEngineer

📌 핵심 질문 / 이 영상이 다루는 핵심 논점

==금융 AI의 실질적 가치는 범용 챗봇에 질문을 던지는 데서 나오기보다, 복잡한 내부 업무와 데이터 흐름을 현장에서 이해하고 검증 가능한 사내 데이터 기반 에이전트로 반복 업무를 바꾸는 데서 나온다.==

• Redding Ridge의 CLO 포트폴리오 초안 작업은 200~400개 대출 이름과 여러 문서·시스템을 검토하느라 과거 2~3일이 걸렸지만, 이제 수 분 안에 80~90%까지 구성한다.
• 은행 계좌 명세와 결제 내역을 일일이 맞추던 주간 매매 대사도 자동 보고서로 바뀌어 약 1분 안에 반복 생성되고, 직원은 결과를 검수한다.
• 신뢰의 핵심은 정확한 단일 출처를 찾고 기존 계산법과 예외 규칙을 이해하는 일이며, 이를 위해 Rowspace 팀은 투자·재무 담당자와 거의 매일 현장에서 협업한다.

Michael Manapat(Rowspace 공동창업자)와 Jack McDonald(Apollo Principal 및 Redding Ridge COO)는 Apollo의 구조화 신용·CLO 업무를 사례로, AI 에이전트가 복잡한 사내 정보를 정리해 의사결정 시간을 줄이는 방법을 이야기한다. AI가 사람의 투자 판단을 대체하는 것이 아니라, 검증 가능한 데이터와 반복 가능한 업무 흐름을 마련해 포트폴리오 매니저가 판단과 창의적인 개선에 더 많은 시간을 쓰도록 만드는 것이 핵심이다.

1. 사업 배경과 금융 데이터 문제

1.1. Apollo와 Redding Ridge의 업무 환경

1. Redding Ridge의 역할과 규모

   1. Apollo 내 조직: Jack McDonald는 Apollo의 Principal이자 Redding Ridge의 COO로 소개된다. Redding Ridge는 Apollo 산하에서 운영되는 별도 회사이며 구조화 신용(structured credit)과 CLO(collateralized loan obligation) 운용을 담당한다.
   2. 운용 자산: 인터뷰에서 관리 자산은 약 500억 달러라고 언급된다. 업무는 구조화 신용 전반, 특히 CLO에 집중되어 있다.
   3. 경력: McDonald는 2020년 Apollo에 합류했으며 금융기관 그룹, 자산담보부 금융 그룹 등을 거쳐 현재 역할을 맡고 있다.

2. 대량·분산 데이터가 매일 쌓이는 투자 업무

   1. 매일 유입되는 정보: 다양한 펀드 법인과 투자 자산을 관리하며, 투자 건 전반에서 매일 수천 개의 데이터 포인트를 받는다.
   2. 검토 대상: 약 천 개에 이르는 대출 이름(loan names)과 여러 사업의 크레딧을 매일 평가하고 투자 여부를 검토한다.
   3. 시장 속도: CLO는 브로드리 신디케이트론(broadly syndicated loan) 시장에서 적극적으로 거래되므로, 최신 정보를 손쉽게 확인하는 일이 중요하다.
   4. 품질 문제: 투자 정보는 공개 주식·채권처럼 널리 표준화되어 있지 않고 여러 문서와 시스템에 흩어져 있다. 데이터 정확성·일관성·활용 가능한 형식을 확보해야 빠른 시장 환경에서 실용적이고 신중한 의사결정을 할 수 있다.

1.2. CLO 포트폴리오의 규칙과 문서 복잡성

1. 계약 문서에 내장된 구조

   1. 규칙 기반 상품: CLO에는 통과 여부를 확인해야 하는 여러 테스트와 구체적인 규칙이 있으며, 자금이 흐르는 워터폴(waterfall)도 정해져 있다.
   2. 법률 문서: 핵심 조건은 분량이 큰 인덴처(indenture)와 복수의 법률 계약에 담겨 있다.
   3. 숨은 맥락: 표면상 특이하거나 불필요해 보이는 업무 방식도 특정 계약·운용 규칙 때문에 존재할 수 있어, 도메인을 모르는 상태에서 단순화하면 실제 규칙을 놓칠 수 있다.

2. 기존 포트폴리오 구성의 수작업

   1. PM의 작업: 포트폴리오 매니저(PM)는 문서를 검토하고 Excel 모델을 만든 뒤, 여러 대출 종목으로 모의 포트폴리오를 구성했다.
   2. 구성 규모: 한 포트폴리오 초안에는 보통 약 200~400개의 개별 크레딧 이름이 포함된다.
   3. 소요 시간: Rowspace 도입 전에는 이런 작업에 수작업으로 대략 2~3일이 필요했다.

2. 에이전트 도입으로 바뀐 구체적 업무

2.1. 포트폴리오 초안 구성: 며칠에서 수 분으로

1. 흩어진 입력을 모아 초안 생성

   1. 연결되는 정보: 문서 라이브러리, 거래·컴플라이언스 시스템, 실시간 가격 정보 등 서로 다른 곳의 데이터를 함께 활용한다.
   2. 최신 데이터 활용: PM이 매번 각 시스템을 오가며 최신 정보를 모으는 대신, 한 업무 흐름에서 그 시점의 최신 자료를 사용해 포트폴리오를 만든다.
   3. 시간 변화: 과거 2~3일 걸리던 초안 작업을 현재는 수 분 안에 만들 수 있다.

2. 기계가 초안을 만들고 PM이 마지막 판단을 한다

   1. 완성도: 결과물은 대략 80~90% 수준까지 구성되며, 이를 최종 투자 포트폴리오로 자동 확정하는 방식은 아니다.
   2. 사람의 마지막 10%: PM이 자신의 판단과 관점을 적용해 나머지 10%를 수정·정교화하고 최종 결과에 책임을 진다.
   3. 업무 재배치: 반복적인 자료 수집·정리 시간이 줄어들어 PM은 종목 선택과 포트폴리오를 자신에게 맞게 다듬는 데 집중할 수 있다.

2.2. 창고 매입 활동의 주간 매매 대사 자동화

1. 과거의 주간 정산·대사 절차

   1. 사업 구조: Redding Ridge는 은행 금융을 활용하면서 고정수익 시장의 대출을 매입할 수 있다.
   2. 수작업 보고: 매주 매입·매도 내역을 모아 거래 기록과 활동을 대사하고, management team에 주간 요약 이메일을 보냈다.
   3. 은행 계좌 확인: 실제 결제 여부를 확인하기 위해 담당자가 은행 계좌와 명세를 직접 열어 거래가 어디에서 어떻게 결제됐는지 확인했다.
   4. 인력·시간 부담: 두세 명이 매주 여러 시간 동안 대사 작업을 수행했다.

2. 반복 가능한 자동 보고 흐름

   1. 입력과 생성: 기존 거래 보고서를 Rowspace 시스템에 넣으면 시각화 형태의 보고서가 약 1분 만에 만들어지고 같은 절차를 반복할 수 있게 됐다.
   2. 사람의 역할: 담당자는 매일 결과를 QA하고 올바르게 보이는지 확인한다. 자동 생성은 검수의 제거가 아니라 수작업 대사에서 검증 중심 업무로의 전환이다.
   3. 효과: 일회성 분석에 그치지 않고 매일 반복 가능한 프로세스가 되면서, 팀의 시간을 다른 업무와 개선 과제에 돌릴 수 있다.

3. 정확성과 신뢰를 위한 데이터 기반 구축

3.1. 범용 LLM과 회사 내부 데이터 플랫폼의 역할 차이

1. Claude·ChatGPT의 유용성과 한계

   1. 활용 가능한 일: 범용 LLM은 리서치, 새로운 아이디어 탐색, 특정 상품·투자 대상의 빠른 파악에 유용하다.
   2. 내부 데이터 부재: 범용 모델은 회사 고유의 실제 데이터와 업무 맥락을 자동으로 알고 있지 않으므로, 그 자체만으로 내부 투자 의사결정의 신뢰 기반이 되지는 않는다.
   3. 다른 목적: 범용 모델의 연구 보조 기능과 사내 데이터 원천을 정합해 반복 업무를 수행하는 시스템은 서로 다른 용도의 도구다.

2. 투자·재무팀과 함께 만드는 시스템

   1. 현장 협업: Rowspace 팀은 기술만 납품하는 대신 Apollo 담당자와 함께 일하며 팀의 실제 정보 흐름과 계산 과정을 이해한다.
   2. 정답 데이터 식별: 같은 데이터 항목이 스무 곳의 출처에 나타나더라도 실제로 맞는 출처는 하나뿐일 수 있다. 담당자들과 협의해 신뢰할 수 있는 출처를 찾아 나머지 충돌 자료보다 우선하도록 한다.
   3. 계산·규칙 반영: PM 및 재무팀과 계산 방법, 어떤 정보가 맞는지, 어떤 출처를 대체해야 하는지 파악해 집계한다.
   4. 거의 매일의 접점: McDonald는 Michael과 팀이 거의 매일 현장에 와서 워크플로를 이해한 점을 성공의 핵심으로 꼽는다.

3.2. 검증된 다중 출처와 의사결정 신뢰

1. 연결되는 사내외 시스템

   1. 거래·성과 데이터: 거래 주문 관리 시스템(trade order management system)과 성과(performance) 시스템의 데이터가 업무 흐름에 들어온다.
   2. 가격·시장 지표: Bloomberg와 다양한 가격 지수도 입력 자료가 될 수 있다.
   3. 통합의 의미: 과거에는 한 시스템에서 정보를 가져와 다른 곳에 붙이며 수작업으로 조합했지만, 플랫폼은 해당 통합을 자동화한다.

2. 고위험 의사결정에서의 신뢰 기준

   1. 출처를 알고 검증하는 과정: 팀이 정보의 정확성을 확인하고 승인할 수 있어야 결과를 거래나 포트폴리오 업무에 활용할 수 있다.
   2. 챗봇의 유창함만으로는 부족: 중요한 것은 자연스러운 답변 자체가 아니라 데이터의 원천·정확성·계산 과정이 업무 담당자에게 검증되어 있는지다.
   3. 오정보의 파급: 잘못 정렬되거나 부정확한 정보로 투자 결정을 내리면 그 오류가 기업 내부를 지나 최종 투자자에게까지 이어질 수 있다.

4. Apollo의 도입 태도와 금융 AI의 현재 단계

4.1. 조직 문화와 조기 도입

1. 변화에 앞서 적응하는 문화

   1. Apollo의 자기 인식: 대체자산 운용과 금융서비스에서 혁신과 변화의 선두에 서는 것을 중시해 왔다고 McDonald는 설명한다.
   2. 기술 수용: AI가 등장한 상황에서 이를 부정하거나 외면하기보다 조직의 역량을 높이고 업무 방식에 도입해야 한다고 판단했다.
   3. 업무 목표: 수작업을 대체하거나 줄여 사람들의 여력을 확보하고, 더 사려 깊은 판단과 문제 해결에 활용하는 것이 목표다.
   4. 조직 특성: 변화 수용을 뒷받침한 배경으로 평평하고 개방적인 문화, 민첩하게 적응하려는 태도를 언급한다.

2. AI 도구를 넘어서는 운영 기반

   1. 플랫폼 관점: 진행자는 Apollo가 단일 목적 도구들을 모으기보다 AI 네이티브 방식으로 회사를 재구축할 기반을 일찍부터 고민해 왔다고 회고한다.
   2. 역량 개발: 경영진이 팀의 숙련도를 높이고 시장 변화에 맞춰 유연하게 움직이는 것을 중시한다.
   3. 대화 중의 가벼운 순간: McDonald는 진행자가 던진 질문의 두 번째 부분을 잠시 잊었고, 진행자도 자신이 묻고 싶던 내용을 잊었다며 웃고 넘어간다.

4.2. 금융 부문은 아직 초기이며, 우선은 반복 업무의 효율화

1. 금융기관의 규모와 복잡성

   1. 대형 조직의 구조: 은행과 대형 금융기관에는 규모가 큰 백오피스 및 미들오피스 지원 업무가 있어 개선 여지가 크다.
   2. 높은 복잡도: 자산운용·투자은행·기관 금융은 프로세스와 구조가 복잡해 AI를 곧바로 적용하기 쉽지 않다.
   3. 도입 단계: McDonald는 금융 전반, 특히 자산운용·투자은행 등의 AI 활용이 여전히 초기라고 본다.

2. 현재 가치와 향후 변화

   1. 현재의 보조 사용: 모델을 만들거나 특정 회사를 빠르게 파악하고 리서치를 모으는 기능은 유용하지만, 현재 관점에서는 상대적으로 부가가치가 낮은 작업이라고 평가한다.
   2. 일부 역할 변화 가능성: 이런 리서치·모델링 지원 기능이 발전하면 특정 업무에서 주니어 지원 인력이 줄어들 가능성도 있다고 언급한다.
   3. 지금의 우선순위: Redding Ridge가 당장 노리는 가치는 일상적이고 반복적인 작업을 효율화해 끝없이 쌓여 있는 다른 프로젝트에 쓸 여력을 확보하는 것이다.
   4. 이후의 진화: 금융 AI의 활용 방식과 가치가 현재 형태에 머물지는 않으며, 향후 더 발전할 것이라고 본다.

5. 경쟁 우위, 조직의 미래, 현장 적용 조언

5.1. AI는 단순한 생산성 도구인가, 지속 가능한 경쟁력인가

1. 차이는 도구 사용 자체가 아니라 업무 프로세스에 있다

   1. Excel 비유: 모든 회사가 Excel을 쓰기 때문에 Excel 사용만으로 경쟁 우위가 생기지 않는 것처럼, AI를 사용한다는 사실만으로 차별화가 보장되지는 않는다.
   2. 활용이 제대로 되면 경쟁력: AI를 적절히 적용하면 경쟁력이 될 수 있다는 것이 McDonald의 견해다.
   3. 투자에서 중요한 기반: 적극적으로 거래되는 시장에서는 실행 프로세스의 견고함, 가용 유동성, 현재 가격과 가치에 대한 정보 접근성이 중요하다.

2. 정보 품질이 우위로 이어지는 경로

   1. 더 빠르고 나은 판단: 신뢰할 수 있는 최신 정보가 있으면 투자를 실행하는 데 경쟁상 이점이 생긴다.
   2. 사모시장으로의 확장: 공모·활발한 거래 시장뿐 아니라 사모시장에서도 이런 효과는 형성 중이며, Apollo는 이를 확대하려고 움직이고 있다.
   3. 정렬된 데이터의 축적 효과: 조직이 정확한 정보에 접근하고 팀이 그 정확성을 신뢰할수록 의사결정 오류를 줄이고 시간이 흐를수록 앞서갈 가능성이 커진다.

5.2. 투자자 신뢰와 기술 중심으로 사고하는 인력

1. 400명이 넘는 글로벌 투자자에게 전달되는 정보

   1. 검증 부담: 최종 투자자에게 나가는 정보가 정확해야 하며, 이를 확인하려고 매번 몇 시간씩 수작업으로 대조하지 않아도 될 만큼의 신뢰가 필요하다.
   2. 투자자 기반: Redding Ridge는 전 세계 400명 이상의 투자자를 상대한다고 McDonald가 언급한다.
   3. 오류 방지: 자료를 검증해 오류와 실수가 없다는 확신을 높이는 것이 기술의 중요한 조건이다.

2. 기술을 사후 도구가 아닌 기본 사고방식으로

   1. 현재의 아쉬움: 기술을 잘 활용하려는 태도는 있었지만, 업무에서 기술 활용이 부차적인 생각으로 밀리는 경우가 있었다고 설명한다.
   2. 주도적 개선: 반복 업무가 효율화되면 팀은 시간이 생기고, 왜 이 프로세스가 존재하는지·현재 어떻게 작동하는지·더 나은 방식은 무엇인지 질문할 수 있다.
   3. 전환·재설계: 필요에 따라 기존 절차를 개선하거나 바꾸고, 새로운 기술을 도입해 조직을 확장하는 사고를 업무의 중심에 두는 것이 지향점이다.

5.3. 금융 AI를 만드는 사람들에게 주는 조언과 마무리

1. 복잡하고 특이한 절차를 함부로 제거하지 말 것

   1. 예외에는 이유가 있음: 금융 조직의 흐름은 매우 복잡하고, 낯설거나 이상해 보이는 구조도 계약·운영 맥락상 이유가 있을 수 있다.
   2. 현장에 들어가 관찰: 도구를 만들거나 개선할 담당 팀과 프런트오피스 전문가 곁에서 실제 업무를 이해하는 데 시간을 투자해야 한다.
   3. 공동 설계의 가치: 매일에 가까운 현장 협업으로 워크플로를 이해한 것이 Rowspace 제품이 로드맵과 기대보다 앞서가는 데 중요했다고 McDonald는 평가한다.
   4. 채용 안내: 대담을 마치며 Rowspace와 Apollo Technology가 금융에 AI를 적용하고 싶은 인력을 채용 중이라고 알린다.

2. 핵심 실행 원칙

   1. 데이터를 모으기 전에 정답을 정의한다: 여러 출처 중 기준 출처와 기존 계산을 현업 담당자와 합의한다.
   2. 사람이 결과를 승인하는 수준부터 시작한다: 에이전트가 초안·대사를 만들고 도메인 전문가가 확인하는 흐름을 만든다.
   3. 시간 절약을 업무 재설계로 연결한다: 단순히 기존 수작업을 빠르게 끝내는 데 그치지 않고, 확보한 시간을 프로세스 개선과 더 나은 판단에 쓴다.

주요 발언 모음

“한 데이터가 스무 곳의 출처에서 나올 수도 있지만, 실제로 맞는 것은 그중 하나뿐이다.” — Jack McDonald의 데이터 출처 설명을 옮김

“며칠 걸리던 포트폴리오 구성을 이제 수 분 안에 만들고, PM은 마지막 10%를 자기 판단으로 다듬는다.” — Jack McDonald의 업무 변화 설명을 옮김

“낯설거나 이상해 보이는 절차도 실제로는 이유가 있거나 특정 방식으로 구조화되어 있을 수 있다.” — 금융 업무에 AI를 적용하는 사람들에게 한 조언을 옮김

“매일 현장에 함께 앉아 워크플로를 이해하는 일이 중요하다.” — Jack McDonald의 Rowspace 협업 방식 평가를 옮김

핵심 데이터 & 수치

• 약 500억 달러: Jack McDonald가 소개한 Redding Ridge의 운용 자산 규모.
• 매일 수천 개 데이터 포인트: 여러 투자·펀드에 걸쳐 유입되는 데이터의 양.
• 약 1,000개 대출 이름: 매일 검토·평가하는 대출 풀 규모를 설명하며 제시한 수치.
• 200~400개 개별 크레딧: 모의 CLO 포트폴리오 하나를 구성할 때 검토되는 종목 수.
• 2~3일 → 수 분: 수작업 Excel 포트폴리오 구성의 기존 시간과 에이전트 지원 후 초안 생성 시간.
• 80~90% 완성: 에이전트가 구성하는 초안의 수준이며 PM이 최종 10%를 다듬는다.
• 약 1분: 반복 가능한 시각화 보고서 생성 시간.
• 주당 여러 시간, 직원 2~3명: 자동화 전 매입·매도 대사에 들던 팀의 노력.
• 20개 출처 중 하나: 같은 데이터가 여러 곳에 존재해도 기준이 되는 실제 정답 출처를 가려야 한다는 예시.
• 400명 이상 글로벌 투자자: 정확한 정보 전달의 중요성을 설명하며 언급된 투자자 기반.
• 약 19분 4초: 영상 길이.

결론 및 시사점

1. 금융기관의 AI 도입은 데이터를 모델에 넣는 일보다 먼저, 업무의 계약·계산·예외와 신뢰할 단일 출처를 이해하는 일에서 시작한다.
2. 검증된 내부 데이터와 에이전트를 결합하면 며칠 걸리던 포트폴리오 초안이나 매주 반복하던 거래 대사를 분 단위 작업으로 바꾸되, 최종 검수와 판단은 현업 전문가가 맡을 수 있다.
3. 큰 조직의 경쟁력은 단순히 AI를 구매하는 데 있지 않고, 정확한 정보가 투자 프로세스에 빠르게 도달하도록 만들고 그 과정에서 사람의 시간을 고부가가치 판단으로 재배치하는 데 있다.
4. 금융 AI 제품을 만드는 팀은 현업과 충분히 가까이 일해야 한다. 복잡하고 낯선 절차를 먼저 이해해야 자동화가 정확성과 신뢰를 높이는 방향으로 작동한다.